[論文レビュー] SolidGen: An Autoregressive Model for Direct B-rep Synthesis

Pradeep Kumar Jayaraman, Joseph G. Lambourne+4 more|arXiv (Cornell University)|Mar 26, 2022

Manufacturing Process and Optimization被引用数 20

ひとこと要約

SolidGen は新規の indexed B-rep 表現を用いた Transformer ベースの自己回帰モデルを直接的に Boundary Representation (B-rep) CAD データを生成し、CAD モデリング操作列を用いずに無条件および条件付き生成を可能にする。

ABSTRACT

The Boundary representation (B-rep) format is the de-facto shape representation in computer-aided design (CAD) to model solid and sheet objects. Recent approaches to generating CAD models have focused on learning sketch-and-extrude modeling sequences that are executed by a solid modeling kernel in postprocess to recover a B-rep. In this paper we present a new approach that enables learning from and synthesizing B-reps without the need for supervision through CAD modeling sequence data. Our method SolidGen, is an autoregressive neural network that models the B-rep directly by predicting the vertices, edges, and faces using Transformer-based and pointer neural networks. Key to achieving this is our Indexed Boundary Representation that references B-rep vertices, edges and faces in a well-defined hierarchy to capture the geometric and topological relations suitable for use with machine learning. SolidGen can be easily conditioned on contexts e.g., class labels, images, and voxels thanks to its probabilistic modeling of the B-rep distribution. We demonstrate qualitatively, quantitatively, and through perceptual evaluation by human subjects that SolidGen can produce high quality, realistic CAD models.

研究の動機と目的

• CAD 操作列の監督なしに B-rep データを直接合成する手法を提案する。
• 機械学習に適した indexed boundary representation を導入する。
• B-rep の無条件および条件付き生成を実演し、ヒトの知覚研究に基づく現実性を評価する。

提案手法

• B-rep の成分（V, E, F）の結合分布 p(B) を p(F|E,V)p(E|V)p(V) としてモデル化し、自己回帰型トランスフォーマーベースのネットワークで因数分解する。
• B-reps を machine learning 互換性のある数値配列として V, E, F を格納する Indexed Boundary Representation で表現する。
• トークンをシーケンス形で予測するために、トランスフォーマーデコーダーとポインタ機構を実装した vertex, edge, face モデルを用いる。
• z（クラスラベル、画像、ボクセルなどの文脈）を条件として分布 p(B|z) を条件づけ、生成を condition する。
• OpenCascade などのソリッドモデリングカーネルに結びつくルールベースの後処理を用いて indexed 表現から完全な B-reps を復元する。
• 教師強制とクロスエントロピー損失で訓練し、推論時には nucleus sampling を採用する。

実験結果

リサーチクエスチョン

• RQ1 Direct の B-rep 合成が CAD 操作列に依存せず高品質で現実的な CAD モデルを生成できるか？
• RQ2 Indexed Boundary Representation は learnable な生成フレームワークで B-reps を表現するのにどれくらい有効か？
• RQ3 SolidGen は補助的文脈（クラスラベル、画像、ボクセル）でどの程度条件付け可能で、制御可能な B-rep 生成を実現できるか？
• RQ4 SolidGen はシーケンスベースのベースラインと比較して妥当性、斬新性、知覚的現実性の点でどうであるか？

主な発見

Dataset	Model	NLL (bits per)	NLL (bits per) across components?	Top-1 Accuracy (%)	Vert.	Edge	Face	Mean
PVar	Uniform	18.44	13.59	24.96	56.99	2.01	1.59	2.04	1.88
PVar	SolidGen	4.49	0.01	0.04	4.54	91.30	99.97	99.88	97.05
PVar	w/class (vertex)	4.19	-	-	4.24	83.20	-	-	94.35
PVar	w/class (all)	(not provided)	-	-	1.32	92.43	99.97	99.89	97.43
DeepCAD	Uniform	18.32	15.05	28.14	61.51	1.48	1.10	1.42	1.33
DeepCAD	SolidGen	5.42	0.43	0.26	6.11	86.12	98.87	99.55	94.85
DeepCAD	w/image (vertex)	1.97	-	-	2.66	80.61	-	-	93.01
DeepCAD	w/image (all)	1.98	0.26	0.27	2.51	89.74	98.84	99.31	95.96
DeepCAD	w/voxel (vertex)	4.89	-	-	5.42	82.28	-	-	93.48
DeepCAD	w/voxel (all)	2.00	0.52	0.65	3.17	91.26	98.62	99.18	96.35

• SolidGen はトークンレベルの性能が高い状態で高品質な B-rep 生成を達成：Vertex、Edge、Face モデルは test データで低い NLL と高い Top-1 精度を示す。
• 無条件の SolidGen サンプルは一様ベースラインよりも大幅に NLL と精度で優れており（例：Total NLL 4.54 bits および DeepCAD テストセットでの平均精度 97.05%）。
• クラスラベル、画像、ボクセルによる条件付き生成はベースラインより大幅に改善をもたらし、制御可能な B-rep 合成を実現する。
• 無条件生成では、SolidGen のサンプルはヒトの知覚研究で現実性が競合的であり、訓練データより現実的と評価される割合が約半数程度（設定の一つで 52.67%）である。
• 表ベースの定量結果はデータセット全体で堅実な性能を示す（例：DeepCAD: SolidGen NLL 4.54 ビット、精度 97.05%）。
• Nucleus sampling は妥当性と斬新性/独自性のトレードオフを提供し、より高い p 値は斬新性を高める一方妥当性を低下させる。